Dijital İyileşmede Yapay Zekâ: Güvenli Topluluklar

17.617 paylaşımın ortalama duygu skoru 0,44. Dahası, içeriklerin yalnızca %2,4’ü “yüksek negatif” sınıfında. Bu tablo, bağımlılıktan iyileşme gibi kırılgan bir alanda dijital toplulukların çoğu zaman “toksikleşir” önyargısını ciddi biçimde sarsıyor.

Bu yazı, Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık serimizin bir parçası. Seride genelde yapay zekânın teşhis, görüntüleme ve operasyon tarafını konuşuyoruz. Buradaysa daha “insani” bir katmana iniyoruz: Topluluk, bağlılık ve davranış değişikliği. Çünkü iyileşme yolculuğunda çoğu kişi için en zor kısım tedaviyi bulmak değil; sürdürmek.

Araştırmacılar, bağımlılıktan iyileşme topluluğuna odaklı bir mobil uygulamadaki kullanıcı paylaşımlarını doğal dil işleme (NLP) ve derin öğrenme ile analiz ederek, dijital ortamda güvenli ve destekleyici bir ekosistemin nasıl ölçülebileceğini gösteriyor. Bence bu, Türkiye’de dijital sağlık ürünleri geliştiren herkes için “alın, doğrudan uygulayın” türünden bir örnek.

Bu çalışma bize neyi net biçimde söylüyor?

Ana mesaj açık: Kapalı ve amaç odaklı dijital topluluklar, açık sosyal medyaya göre daha pozitif ve daha güvenli bir iletişim iklimi üretebiliyor.

Çalışmada, bağımlılık ve iyileşme deneyimi olan kişilere özel bir uygulamadan 6 aylık döneme yayılan 19.685 paylaşımın rastgele örneklemi alınmış; temizlik sonrası 17.617 paylaşım analiz edilmiş. İki temel yapay zekâ yaklaşımı kullanılmış:

• Konu modelleme (BERTopic): Paylaşımlardan ana temaları çıkarıyor.
• Duygu analizi (VADER): Metnin duygusal tonunu -0,99 ile 0,99 arasında puanlıyor.

Sonuçlar iki “üst tema” etrafında toplanıyor:

1. Topluluk ve etkileşim odaklı kullanım: etkinlikler, buluşmalar, çevrim içi paylaşımlar, hobi konuşmaları.
2. Daha ağır başlıklar için forum işlevi: nüks, ayıklık mücadelesi, ruh sağlığı ve destek arayışı.

Bu ayrım çok değerli. Çünkü iyi bir dijital sağlık ürünü aynı anda iki şeye hizmet etmeli:

• Günlük hayatın “normal” akışına (hobi, yürüyüş, etkinlik, sohbet)
• Zor anlara (kriz, tetiklenme, yalnızlık, nüks)

Yapay zekâ, topluluğu “okuyarak” nasıl güçlendirir?

Buradaki sihirli kısım, “yapay zekâ topluluk kurar” değil. Topluluğu insanlar kuruyor. Yapay zekânın gerçek katkısı şu: Topluluğun nabzını ölçüp, ürünün doğru yönde evrilmesini sağlamak.

1) Konu modelleme: Ürünün gerçek kullanım senaryolarını görünür kılar

BERTopic analizi 10 konu başlığı üretmiş. En yüksek hacimli konu “genel hobiler” (paylaşımların %19,4’ü). Ardından tatiller/özel günler, çevrim içi topluluk buluşmaları, yüz yüze etkinlikler, farkındalık/meditasyon, yürüyüş ve özellikle “nüks ve iyileşme” teması geliyor.

Ürün ekipleri için bunun anlamı şu:

• Kullanıcılar yalnızca “iyileşme konuşmak” için gelmiyor; sosyal kimliğini yeniden kurmak için geliyor.
• Etkinlik tabanlı akışlar (yürüyüş, spor, yoga) basit görünse de, davranış değişikliğinin taşıyıcısı.
• “Nüks” konuşmaları azınlıkta olsa bile (konu olarak %7,8 civarı), ürünün güvenlik tasarımı için kritik.

Benim deneyimim şunu gösteriyor: Dijital sağlıkta başarısız olan birçok ürün, kullanıcıyı sürekli “hasta rolünde” tutar. Bu tür tematik analizler, ekibin eline somut bir ayna veriyor: Kullanıcı aslında nasıl bir yaşam kurmaya çalışıyor?

2) Duygu analizi: Güvenli ortamın ölçülebilir sinyalidir

Duygu analizi sonuçları çarpıcı:

• Ortalama VADER skoru: 0,44 (genel ton pozitif)
• “Yüksek pozitif” paylaşımlar: %52,2
• “Yüksek negatif” paylaşımlar: %2,4

Açık sosyal medya platformlarında (genel topluluklarda) genelde karışık bir dağılım görülür: çok pozitif + çok negatif içerikler bir arada. Buradaysa pozitiflik baskın.

Bu neyi ima ediyor?

• Moderasyon ve güvenlik tasarımı işe yarıyor.
• Amaç odaklı kapalı topluluklar, “trol/tetikleyici içerik” riskini azaltabiliyor.
• Kullanıcılar yardım istemekten çekinmiyor; bu da “psikolojik güvenlik” işareti.

3) “Yardım çağrısı” yakalama: Dijital sağlıkta gerçek kullanım

Çalışmada araştırmacılar, “I need help” gibi kalıplarla negatif duygu skorunu birleştirerek, olası riskli içerikleri ayıklamayı denemiş. Sayı az olsa da fikir güçlü: Kural tabanlı sinyaller + NLP, erken uyarı sistemine dönüşebilir.

Türkiye’de bir dijital sağlık platformu geliştiren ekip için pratik bir yaklaşım şöyle olabilir:

1. Risk sözlüğü (Türkçe): “dayanamıyorum”, “çok kötüyüm”, “kendime zarar”, “yeniden başladım”, “yalnızım”, “tetiklendim”, “içmek istiyorum”…
2. Negatif ton skorları + belirli kelime/kalıplar
3. Çok basit bir triage:
   • Düşük risk: otomatik kaynak önerisi
   • Orta risk: topluluk gönüllüsü/koç bildirimi
   • Yüksek risk: klinik ekibe yönlendirme + kriz protokolü

Burada kritik etik çizgi: Kullanıcı mahremiyeti, açık rıza, veri minimizasyonu ve yanlış alarm yönetimi. Yapay zekâ “hakem” değil; “erken uyarı”dır.

“Kapalı topluluk” neden açık sosyal medyadan daha sağlıklı işleyebilir?

Bu sorunun tek cevabı yok ama üç pratik neden var:

1) Net amaç = net norm

Amaç “iyileşmeye destek” olunca, topluluk normu da buna göre şekilleniyor. Genel platformlarda amaç dağınık olduğu için, normlar da dağınık.

2) Aktif moderasyon + tasarım kararları

Güvenli toplulukların çoğu moderasyonla değil, tasarımla kazanılır:

• Yeni kullanıcı onboarding’i (topluluk kuralları)
• Etkinlik odaklı akışlar (pasif doomscroll yerine katılım)
• Gönüllü/koç rolü
• Raporlama akışları
• Riskli kelimelerde “durup düşün” ekranları

3) İçeriğin bağlamı: “Benzer deneyim” filtresi

Bağımlılık ve iyileşme alanında “beni anlayan biriyle konuşmak” fark yaratır. Kapalı topluluklar bu bağlamı doğal olarak sağlar.

Sağlık kurumları ve dijital sağlık girişimleri için uygulanabilir dersler

Bu araştırmayı, sadece bağımlılık alanına ait bir örnek gibi okumak hata olur. Aynı yaklaşım şu alanlara doğrudan taşınır:

• Diyabet/obezite yönetimi toplulukları
• Onkoloji hasta destek grupları
• Doğum sonrası depresyon ve anne sağlığı
• Kronik ağrı, fibromiyalji
• Uzaktan hasta takibi (tele-sağlık) programları

Uygulama planı: “AI ile topluluk sağlığı panosu”

Bir ürün ekibi için en somut çıktı şudur: Topluluk Sağlığı Panosu (Community Health Dashboard).

Bu panoda haftalık/aylık takip edilebilecek metrikler:

• Pozitif/negatif duygu oranı (trend)
• En hızlı büyüyen 5 konu (topic trend)
• “Yardım” sinyali içeren gönderi sayısı
• Moderasyon müdahale süresi
• Etkinlik katılımı ile duygu skoru ilişkisi (basit korelasyon bile işe yarar)

Bu metrikler “pazarlama için hoş grafik” değil; klinik güvenlik ve ürün stratejisi için araçtır.

2025 kışına özel bir not: Tatil dönemlerinde risk artar, sistem hazırlanır

Çalışmada “tatiller” teması ayrı bir konu olarak çıkıyor. Bu tesadüf değil. Aralık ayı, birçok kişi için tetikleyici olabilir: yalnızlık, aile baskısı, sosyal ortamlarda alkol, yıl sonu muhasebesi.

Dijital sağlık ürünleri bu dönemde şunları planlamalı:

• Moderasyon kapasitesini artırma
• Canlı çevrim içi etkinlik takvimini sıklaştırma
• “Zor gün planı” şablonları (kullanıcının kendine özel)
• Tetikleyici ortamlar için kısa egzersiz içerikleri (nefes, yönlendirilmiş meditasyon)

Bunların hepsi “yapay zekâ” olmak zorunda değil. Ama yapay zekâ, ne zaman ve kime daha çok destek gerektiğini daha iyi gösterebilir.

Son söz: Yapay zekâ, insan bağını büyüttüğünde işe yarar

Bu çalışma bende şu fikri güçlendirdi: Dijital sağlıkta en iyi yapay zekâ uygulamaları, doktorun yerini alanlar değil; insan bağını güçlendirenler. Konu modelleme ve duygu analizi gibi teknikler, topluluğun nerede güçlendiğini ve nerede desteğe ihtiyaç olduğunu ölçülebilir hale getiriyor.

Eğer bir sağlık kurumu, sigorta, dijital terapötik veya mobil sağlık girişimi yönetiyorsanız, şu soruyu masaya koyun: Topluluğun “sesini” düzenli ölçüyor musunuz, yoksa sadece kullanıcı sayıyor musunuz? 2026’ya giderken farkı bu yaklaşım belirleyecek.